I.14Автоматизация процессов и AI-агенты

Stremie/bert-base-uncased-clickbait — модель классификации текста на основе BERT, предназначенная для определения, является ли публикация в Twitter кликбейтом. По README, модель обучена на наборе данных Webis-Clickbait-17 и принимает текст публикации в поле postText. В метаданных указана архитектура BertForSequenceClassification, размер 136,7 млн параметров и контекст до 512 токенов. На тестовых данных автор сообщает оценку F1 около 0,7. Модель подходит для автоматической разметки публикаций и предварительной фильтрации кликбейта, однако качество может быть недостаточным для решений, требующих высокой точности, и отдельно не подтверждено для текстов за пределами Twitter. Условия лицензирования в предоставленных данных не указаны.

GLiNER2 structure-extraction-модель, дообученная на базе fastino/gliner2-base-v1 для извлечения сведений о погибших, пострадавших и пропавших без вести из текстов новостей о катастрофах. Она связывает числовые значения с соответствующими ролями и помогает отличать их от дат, магнитуд землетрясений и числа перемещённых жителей; если роль в тексте не упомянута, может вернуть null. Модель предназначена для извлечения данных из новостных потоков и передачи их трекеру, который оценивает изменение числа жертв со временем. В тестировании на синтетических новостных потоках модель превзошла базовую версию по точности и полноте связывания ролей с числами. Обучение и оценка проводились на синтетических текстах, поэтому качество на реальных новостях о катастрофах не проверено. Поле source ненадёжно: вместо источника сообщения модель может выделить число. Модель распространяется в формате safetensors; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

LettucePrevent — англоязычная модель Леона Беккарда для обнаружения галлюцинаций в ответах RAG по мере их генерации. Это дообученный Ettin decoder с 68,1 млн параметров и головой классификации токенов на два класса: подтверждённый и галлюцинированный токен. Модель предназначена для вызова на каждом шаге генерации хост-модели; оценки вероятности можно использовать, чтобы штрафовать неподтверждённые токены до их выборки. Указанная в README максимальная длина последовательности — 4096 токенов, а порог уверенности для начала работы — 0,8. Метаданные каталога указывают нативный контекст 7999 токенов. Модель обучена на англоязычной части RAGTruth и принимает контекст, запрос и ответ в заданной последовательности; классификация применяется к токенам ответа. В описанной оценке качество предотвращения зависело от хост-модели: заметное снижение галлюцинаций показано для Llama-2-7B, тогда как результаты для Qwen2.5-14B и Mistral-7B были близки к исходным. Модель рассчитана на применение в RAG-конвейерах как сигнал для корректировки генерации, а не как самостоятельный детектор готового текста. Лицензия — MIT.

Anbeeld/MiniMax-M2.7-DFlash-GGUF — набор GGUF-квантизаций черновой модели MiniMax-M2.7-DFlash, предназначенной для ускорения генерации текста совместно с основной моделью MiniMaxAI/MiniMax-M2.7. Модель создана в рамках проекта DFlash, разработанного командой z-lab; представленные файлы были преобразованы из совместимого общедоступного чекпойнта NVIDIA/MiniMax-M2.7-DFlash, поскольку исходный чекпойнт z-lab был недоступен во время конвертации. Для работы рекомендуется использовать BeeLlama.cpp — форк llama.cpp с поддержкой расширенных возможностей квантизации. DFlash применяет спекулятивное декодирование: облегчённая модель на основе блочной диффузии параллельно предлагает несколько следующих токенов, после чего основная MiniMax-M2.7 проверяет и принимает подходящие варианты. Это предназначено для ускорения генерации в задачах математического рассуждения, программирования, диалогов и других сценариях текстовой генерации. Модель является вспомогательной и не предназначена для автономного использования вместо целевой MiniMax-M2.7; для запуска требуется совместимый стек инференса, например SGLang или поддерживаемая версия vLLM, а также соответствующее аппаратное обеспечение. В README указано, что модель представляет собой GGUF-квантизацию и использует архитектурный подход DFlash с block diffusion и speculative decoding. Конкретные размер, контекст, языки, модальности и параметры отдельных вариантов квантизации не приведены. В бенчмарках на четырёх NVIDIA B200 сообщаются показатели пропускной способности и средней длины принятых фрагментов, однако они зависят от конфигурации запуска и не являются универсальными характеристиками. Лицензия обозначена как other, но её точные условия в предоставленных данных не описаны.

tsphua/modernbert-fingpt — модель классификации тональности финансовых текстов, созданная дообучением answerdotai/ModernBERT-base на наборе FinGPT/fingpt-sentiment-train. Она относит текст к одной из девяти категорий тональности — от выраженно негативной до позитивной — и предназначена для анализа финансовых новостей, сообщений и других материалов, связанных с рынком. В основе лежит encoder-only Transformer семейства ModernBERT с 149 млн параметров и контекстом до 8192 токенов. README описывает обучение с максимальной длиной последовательности 512 токенов; для практического применения это ограничивает длину текста, использованную при настройке модели. Модель принимает текст и выдаёт метку класса тональности. Лицензия — Apache-2.0.

Это отдельная обученная голова Multi-Token Prediction версии MTPv2 от NVIDIA для ускорения вывода модели NVIDIA Nemotron 3 Super с помощью спекулятивного декодирования. Она предлагает черновые токены, которые проверяет целевая модель; сама голова не содержит веса основной модели и не является самостоятельной языковой моделью. Для работы требуется совместимый чекпойнт Nemotron 3 Super и среда обслуживания с поддержкой отдельно загружаемой MTP-головы, например vLLM, SGLang или TensorRT-LLM. Голова построена для гибридной архитектуры Nemotron 3 Super и содержит 3 млрд параметров; базовая модель имеет 120 млрд параметров всего и 12 млрд активных параметров. Указанный для репозитория размер составляет 6,6 млрд параметров. Модель принимает и выдаёт текст, поддерживает контекст до 262144 токенов. В README перечислены английский, французский, немецкий, итальянский, японский, испанский и китайский языки. Голова дообучена с помощью Megatron-LM на Nemotron Post-Training Dataset v2 при замороженной основной модели. Репозиторий использует Transformers и формат safetensors. Лицензия указана как other; README требует соблюдать NVIDIA Nemotron Open Model License и условия целевой модели. Применение заявлено для коммерческих и некоммерческих сценариев.

Helsinki-NLP/opus-mt-bcl-sv — модель машинного перевода из семейства MarianMT, разработанная проектом OPUS/Helsinki-NLP. Она переводит тексты с языка bcl на шведский язык (sv); обучение выполнено на данных OPUS с нормализацией текста и токенизацией SentencePiece. Модель построена на архитектуре Transformer и содержит 55,8 млн параметров. Для набора JW300.bcl.sv в карточке приведены оценки BLEU 38,0 и chr-F 0,565. Модель принимает текст и генерирует текст перевода; максимальная длина контекста — 512 токенов. Подходит для перевода текстов с bcl на шведский, включая пакетную локализацию и подготовку черновых переводов. Доступна под лицензией Apache-2.0; качество может зависеть от тематики и стиля исходного текста.

Helsinki-NLP/opus-mt-bzs-es — модель машинного перевода из семейства OPUS-MT, опубликованная Helsinki-NLP. Она переводит тексты с языка bzs на испанский (es); модель построена на архитектуре Transformer-align и использует нормализацию и SentencePiece для предобработки. В метаданных указаны 51,5 млн параметров и контекст до 512 токенов, а форматы весов — PyTorch и TensorFlow. Модель предназначена для перевода текстов и обучена на данных OPUS. В карточке приведён результат BLEU 28,1 и chr-F 0,464 на тестовом наборе JW300.bzs.es. Распространяется по лицензии Apache-2.0.

Helsinki-NLP/opus-mt-ru-he — модель машинного перевода из серии OPUS-MT, разработанной Helsinki-NLP на основе проекта OPUS. Она переводит текст с русского языка на иврит. Модель построена на архитектуре Transformer Marian и содержит 57,6 млн параметров; для обработки текста использует нормализацию и SentencePiece с словарями размером 32 тыс. токенов. Нативная длина контекста — 512 токенов. Модель подходит для перевода фраз и текстов с русского на иврит, в том числе в приложениях и автоматизированных переводческих конвейерах. В карточке приведён результат BLEU 36,1 на наборе Tatoeba-test.rus.heb. Модель не заявлена как многоязычная: её языковая пара — русский и иврит. Распространяется по лицензии Apache-2.0.

mljn/policy-vs-other-v2 — модель классификации текста, созданная дообучением XLM-RoBERTa-base. Она определяет, посвящён ли пост политической партии вопросу государственной политики («policy issue») или относится к другой категории («other»). Модель разработана для первого этапа двухэтапной классификации тем в наборе PartySOME: она отфильтровывает посты о митингах, мероприятиях, поздравлениях и личных темах, чтобы тематические классификаторы реже присваивали им нерелевантные темы. Модель обучена на 5 895 вручную размеченных публикациях партий из 18 европейских стран, написанных на исходных языках и собранных в Facebook, Instagram и Twitter. Архитектура — XLM-RoBERTa для классификации последовательностей, размер — 305,2 млн параметров, максимальный контекст — 514 токенов. На тестовой выборке из 884 постов точность составила 0,893; результаты различаются между странами и платформами. Модель предназначена прежде всего для публикаций европейских политических партий. Её качество на других видах политических текстов и в других регионах не проверялось; оценки по отдельным странам основаны примерно на 49 тестовых постах и носят ориентировочный характер. Разметка постов со смешанным содержанием может зависеть от субъективного решения. Лицензия в предоставленных данных не указана.

DeryFerd разработал эту причинно-языковую модель на базе Microsoft Phi-2 и дообучил её для генерации кода на Python и пошагового решения математических задач. Модель содержит 3,5 млрд параметров, использует архитектуру PhiForCausalLM, распространяется в формате Safetensors и работает с контекстом до 2048 токенов. Для обучения использовались примеры из MBPP, opc-sft-stage2, GSM8K, MetaMathQA и MATH; в карточке заявлен английский язык. Модель предназначена для генерации функций Python по описанию или docstring, а также для решения школьных текстовых задач с объяснением хода решения. Она может быть полезна как компактный помощник по программированию и математике и для быстрого прототипирования. Лицензия — MIT. Качество ответов за пределами базового кода на Python и школьной математики ограничено. Сгенерированные программы могут быть логически неверными или небезопасными, а математические решения — содержать ошибки, поэтому результаты следует проверять. В README также отмечен возможный конфликт памяти GPU при совместной загрузке с существенно более крупной и архитектурно отличающейся моделью; рекомендуется запускать её в отдельном процессе.

RaushanTurganbay/reward_model_deberta_large_Anthropic_hh — модель оценки вознаграждения на базе DeBERTa-large-v3, дообученная на датасете Anthropic/hh-rlhf. Она сравнивает последний запрос человека с ответом ассистента и предназначена для оценки качества ответов в сценариях обучения и отбора диалоговых моделей. В README сообщается точность 87% на этом датасете; число параметров — 533,8 млн, максимальная длина контекста — 512 токенов. Модель принимает текст и выдаёт оценку классификации; заявленная точность относится к исходному датасету и не гарантирует такое же качество на других данных. Лицензия — Apache-2.0.

rubert-tiny2-toxic-detector — компактная модель классификации текста, разработанная KvaytG и дообученная на cointegrated/rubert-tiny2 для выявления токсичных комментариев и сообщений на русском языке. Модель основана на архитектуре BERT, содержит 29 млн параметров и принимает текст длиной до 2048 токенов. Модель предназначена для автоматической модерации русскоязычных обсуждений, сообщений и пользовательских комментариев. README описывает настройку порога классификации: оптимальное значение 0,70 выбрано на валидационной выборке. На независимой тестовой выборке из 102 308 примеров F1 для класса токсичных сообщений составил 0,9535; выборка содержит значительно меньше токсичных, чем обычных примеров, поэтому результаты могут зависеть от распределения данных и выбранного порога. Модель опубликована в формате Safetensors и распространяется по лицензии Apache-2.0.

SoT_DistilBERT — англоязычный классификатор на базе DistilBERT, разработанный для выбора подходящей парадигмы рассуждения Sketch-of-Thought (SoT) по тексту вопроса. Он относит запрос к одной из трёх категорий: концептуальная цепочка для логического и многошагового вывода, структурированные символические шаги для математики и вычислений или специализированная терминология для технических областей. Модель предназначена для автоматического выбора формата подсказки в конвейере работы с языковой моделью, а не для самостоятельной генерации ответа. Это плотная архитектура DistilBertForSequenceClassification с контекстом до 512 токенов. Классификатор дообучен на примерно 14 200 примерах из задач на рассуждение; по карточке, метки назначались GPT-4o. В метаданных указаны английский язык и наборы данных для математических задач, чтения с выводами, вопросов по знаниям и логического рассуждения. README сообщает о многоязычной поддержке пакета SoT, но это не подтверждает многоязычность самого классификатора. Модель может помочь сократить объём рассуждений, выбирая один из трёх заранее заданных подходов, однако она только классифицирует запросы и может плохо обобщать за пределами обучающего распределения; качество также зависит от сложности и тематики вопроса. Репозиторий распространяется по лицензии MIT.

WindyTranslate/translate-fr-iso — модель машинного перевода, опубликованная Windstorm Labs. Это дообученная версия Helsinki-NLP/opus-mt-fr-iso на параллельных корпусах: LoRA-адаптер слит с базовыми весами, изменены 36 из 254 тензоров. Модель построена на архитектуре MarianMT, содержит 49,4 млн параметров и доступна в формате safetensors для Transformers. Модель предназначена для перевода с французского языка на ISO. Поддерживается только это направление; контекст ограничен 512 токенами. Лицензия — Apache-2.0. Качество перевода пока не оценивалось, поэтому пригодность для конкретного сценария следует проверять отдельно.

Модель hezarai/vit-roberta-fa-image-captioning-flickr30k предназначена для автоматического создания подписей к изображениям на персидском языке. Её разработал Sajjad Ayoubi; архитектура сочетает визуальный энкодер ViT и текстовый декодер RoBERTa, а обучение проводилось на наборе flickr30k-fa. Для работы автор указывает библиотеку Hezar. Модель принимает изображение и генерирует текстовое описание его содержимого. Она подходит для добавления персидских подписей к изображениям и построения демонстрационных систем описания сцен. В карточке не приведены сведения о размере модели и длине контекста. Лицензия в предоставленных данных не указана.

medical-ner-proj опубликовал модель распознавания медицинских именованных сущностей на базе ALBERT. Она предназначена для выделения сущностей в англоязычных клинических текстах, например сведений о заболеваниях, симптомах, лекарствах и показателях осмотра. Модель использует архитектуру ALBERT с классификатором токенов, содержит 136,3 млн параметров и принимает контекст до 512 токенов. Модель подходит для извлечения клинических фактов из медицинских записей и структурирования анамнеза или результатов осмотра. Репозиторий содержит веса PyTorch, библиотека для работы — Transformers. Лицензия OpenRAIL; README не описывает конкретные классы сущностей и метрики качества.

nebius/EAGLE3-gpt-oss-20b — черновая модель EAGLE-3 от Nebius для ускорения вывода gpt-oss-20b с помощью спекулятивного декодирования. Она предлагает несколько токенов-кандидатов, которые основная модель проверяет; это может повысить скорость генерации при сохранении стандартной проверки отклонением. Модель содержит 697,3 млн параметров, использует архитектуру LlamaForCausalLM и рассчитана на контекст до 131 072 токенов. Веса опубликованы в формате Safetensors, лицензия — CC BY 4.0. Модель обучена с нуля с использованием LK losses, которые непосредственно оптимизируют долю принимаемых черновых токенов. В карточке приведены результаты средней длины принятой последовательности на MT-bench, HumanEval и GSM8K, а также сравнение с открытой EAGLE-3-моделью для gpt-oss-20b. Применять её следует как черновую модель в совместимой системе инференса, например vLLM; сама по себе она не предназначена для пользовательской генерации без целевой модели. Результат ускорения зависит от задачи, параметров сэмплирования и версии vLLM.

FinancialBERT-Sentiment-Analysis — модель на архитектуре BERT, разработанная для анализа тональности финансовых текстов. Она предварительно обучена на большом корпусе финансовых материалов, а затем дообучена для классификации тональности на наборе Financial PhraseBank из 4 840 финансовых новостей. Модель содержит 137 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метку тональности: отрицательную, нейтральную или положительную. Модель предназначена для анализа финансовых новостей и других коротких финансовых текстов, например для выявления настроений в новостных потоках. В отчёте README приведены метрики precision, recall и F1 на тестовой выборке; автор сообщает о результатах лучше, чем у общего BERT и других моделей финансовой тематики. Поддерживаемый язык — английский. Репозиторий содержит веса PyTorch; лицензия в предоставленных данных не указана.

ljnlonoljpiljm/florence-2-large-nsfw-pt — модель семейства Florence-2, опубликованная на Hugging Face сторонним автором; карточка модели автоматически сгенерирована и не содержит сведений о разработчике. Модель предназначена для задач image-text-to-text, то есть преобразования изображения и текстового запроса в текстовый ответ, и может использоваться в сценариях визуального описания и анализа изображений через библиотеку Transformers. В метаданных модель помечена как Florence2 и not-for-all-audiences, что указывает на потенциально чувствительный или непредназначенный для всех аудиторий характер содержимого. Сведения о размере, архитектурных параметрах, поддерживаемых языках, длине контекста, лицензии, обучающих данных и результатах оценки отсутствуют, поэтому модель следует применять с осторожностью и предварительно проверять её ответы и допустимость контента.

whr778/gliner2-large-v1-casie — модель извлечения информации на базе GLiNER2 large v1 от Fastino, дообученная для задач из набора CASIE. Она предназначена для извлечения сущностей, типов и триггеров событий, а также их аргументов из англоязычных текстов по кибербезопасности. В карточке также заявлены извлечение отношений и классификация; модель использует библиотеку gliner2 и опубликована в формате safetensors. На тестовой выборке показаны высокие результаты для определения типа события (F1 0,975) и более умеренные для сущностей (F1 0,591 строго, 0,731 с relaxed matching) и триггеров событий (F1 0,487 строго, 0,573 relaxed). Порог решения по умолчанию — 0,5. Для использования доступны веса с лицензией, обозначенной как other; условия следует сверить с карточкой и источником датасета CASIE.

ketut/IndoBERTkbli — модель классификации текста на основе BERT, дообученная автором Ketut Artayasa на indobenchmark/indobert-base-p2. Она предназначена для классификации текстов на индонезийском языке; название и карточка связаны с KBLI, индонезийской классификацией видов деятельности. Модель содержит 151,6 млн параметров, использует архитектуру BertForSequenceClassification и принимает последовательности длиной до 512 токенов. Модель подходит для присвоения категории KBLI текстовому описанию деятельности. Доступна через Transformers; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Карточка не приводит подробностей о наборе данных, метриках качества или конкретной схеме меток.

Komdigi-3b-pad-merged — дообученная мультимодальная модель языка и зрения от aitf-komdigi для задач защиты детей в цифровой среде. Она построена на архитектуре Mistral3 в стиле Pixtral и предназначена для анализа текста и изображений, классификации контента по возрастному рейтингу и категориям безопасности с объяснением, а также генерации ключевых слов. Модель ориентирована прежде всего на индонезийский контент; её можно применять в системах модерации, тегирования и индексирования, а также в прототипах рекомендаций возрастного рейтинга с участием человека. Лицензия — Apache 2.0. Модель может ошибаться на неоднозначном контенте, сленге, сарказме и культурно специфичных выражениях; при анализе изображений она может пропускать тонкие признаки вредного содержания. Объяснения могут быть недостаточно привязаны к входным данным, а результаты и ключевые слова — зависеть от формулировки запроса. Для чувствительных решений необходима проверка человеком; модель не предназначена для самостоятельного принятия юридических решений или автоматического удаления контента.

RedHatAI/Llama-3.1-8B-Instruct-speculator.eagle3 — спекулятивная модель-драфтер от Red Hat для ускорения генерации текста базовой моделью meta-llama/Llama-3.1-8B-Instruct. Она реализует архитектуру Eagle3Speculator и алгоритм спекулятивного декодирования EAGLE-3; обучена на наборах Aeala/ShareGPT_Vicuna_unfiltered и HuggingFaceH4/ultrachat_200k. Модель предназначена для использования вместе с указанной базовой моделью в vLLM и рассчитана на чатовый шаблон Llama 3.1 через endpoint /chat/completions. Это вспомогательная модель для генерации кандидатов, а не самостоятельная замена базовой Llama. Она может повышать скорость генерации при совместном запуске, но выигрыш зависит от сценария и настроек; в README приведены бенчмарки на одной A100, однако таблицы результатов опущены. Репозиторий содержит веса в формате safetensors. Лицензия — llama3.1.

IST Networks дообучила NVIDIA Magpie-TTS Multilingual 357M для клонирования голоса по аудиообразцу. Модель генерирует речь на саудовском арабском, сохраняя поддержку современного литературного арабского и английского из базовой модели. Для каждого запроса требуется аудиозапись голоса длительностью 3–10 секунд; встроенных голосов в этом чекпойнте нет. В основе — архитектура Magpie-TTS из NeMo; речь выводится в моно с частотой 22,05 кГц через NVIDIA NeMo NanoCodec. Модель подходит для озвучивания фраз голосом из предоставленного образца, в том числе пакетной генерации и интеграции в сервисы с GPU. Для арабского доступны отдельные режимы саудовского диалекта и литературного арабского; английский использует фонемный токенизатор. Модель выпущена в формате GGUF F16. Лицензия указана как other, поэтому условия использования следует проверять в карточке и файлах репозитория.

model_segment_content_DEFI — дообученная разработчиком модель классификации текста на базе PhoBERT-base-v2 с архитектурой RoBERTa и примерно 162,4 млн параметров. Она предназначена для классификации текстовых фрагментов; название модели указывает на сегментацию контента DEFI, но карточка не раскрывает метки классов и точный сценарий применения. Для модели указано окно контекста в 258 токенов. На оценочном наборе автор сообщает accuracy 0,9707 и F1 0,9659, однако набор данных обозначен как None, а подробности обучения и оценки отсутствуют. Базовая PhoBERT рассчитана на вьетнамский язык, поэтому модель следует применять к вьетнамскому тексту. Лицензия — AGPL-3.0.

Ateeqq/news-title-generator — англоязычная модель для создания заголовков новостных статей, разработанная на основе T5 и дообученная автором на наборе новостных примеров. Она принимает текст статьи и генерирует краткий заголовок; подходит для подготовки черновиков заголовков в редакционных системах и автоматизации публикации новостей. Модель построена на архитектуре T5ForConditionalGeneration, содержит около 123,8 млн параметров и рассчитана на контекст до 512 токенов. Для работы используются Transformers и PyTorch; доступны веса PyTorch и Safetensors. Карточка сообщает о более чем 78 тысячах примеров для обучения и отдельной тестовой выборке. Лицензия — Apache-2.0. Оценки качества не подтверждены приведёнными сравнительными результатами; сгенерированные заголовки могут упускать детали или неточно отражать содержание статьи и требуют редакторской проверки.

michelleli99/NSFW_text_classifier — дообученная модель DistilBERT для классификации текстов по признаку NSFW. Она анализирует публикации и относит их к одному из двух классов: NSFW (неподходящий или непрофессиональный контент) и SFW. Модель дообучена на 14 317 публикациях Reddit и предназначена для фильтрации текстов, например в сообществах и пользовательских сервисах. Модель использует архитектуру DistilBertForSequenceClassification, принимает текст и выдаёт метку класса. Контекст составляет 512 токенов; в карточке указан английский язык. Модель распространяется в формате PyTorch. Сведения о лицензии в предоставленных данных отсутствуют.

OpenMed разработала эту модель для выявления и классификации персональных и других чувствительных данных в немецком тексте. Это дообученная модель DeBERTa V3 Small для классификации токенов: она размечает 54 типа сущностей, включая имена, адреса, идентификаторы, медицинские записи, контактные и финансовые сведения. Модель рассчитана на поиск таких данных в клинических заметках, медицинских документах и других текстах, чтобы поддерживать обезличивание, подготовку данных и проверки приватности. В README сообщается о Micro F1 0,9591 на немецкой части набора AI4Privacy. Метаданные указывают 155 млн параметров, контекст до 512 токенов и формат safetensors; README отдельно называет размер 44 млн параметров, поэтому размер в источниках расходится. Модель оптимизирована для немецкого языка. Лицензия — Apache-2.0. Модель служит вспомогательным инструментом: она может пропускать чувствительные данные, а качество зависит от предметной области и контекста. Для критичных сценариев результаты следует проверять вручную; для языков, кроме немецкого, качество не гарантируется.

Helsinki-NLP/opus-mt-fi-ee — модель машинного перевода из семейства OPUS-MT, разработанная проектом Helsinki-NLP. Она переводит текст с финского языка на эстонский и предназначена для автоматического перевода предложений и документов в этом языковом направлении. Модель построена на архитектуре Transformer и использует нормализацию текста и токенизацию SentencePiece; число параметров — 56,6 млн, нативная длина контекста — 512 токенов. В карточке приведён результат на тестовом наборе JW300.fi.ee: BLEU 28,0 и chr-F 0,500. Модель доступна в форматах PyTorch и TensorFlow и распространяется по лицензии Apache-2.0. Показатели бенчмарка не гарантируют такого же качества на других типах текста; применение модели ограничено переводом с финского на эстонский.